[发明专利]一种儿科肺炎辅助诊断模型的训练方法及训练所得的模型

说明书

本发明提供一种儿科肺炎辅助诊断模型的训练方法及训练所得的模型，训练方法是：获取儿科肺炎患者的医学图像及对应的医学诊断语句，医学图像处理为统一规格m×m像素大小后形成训练集；对所述训练集分别提取LBP特征图集合、多尺度特征图集合、以及多级别特征图集合；分别采用注意力模块进行注意力处理后进行特征融合，获得新的特征图集合；将所获得的特征图集合输入到分类器中进行分类，获得训练好的模型。本发明通过对现有儿科肺炎患者的医学图像进行训练，让训练所得的模型作为医生学习诊断的工具或为医生的临床诊断提供有效的参考意见。

技术领域

本发明涉及医学计算机技术领域，特别涉及一种儿科肺炎辅助诊断模型及其训练方法。

背景技术

肺炎是一种影响肺部功能的急性呼吸道感染疾病，肺炎使得肺炎泡发炎导致呼吸道产生脓液，让人呼吸困难。根据世界卫生组织的报告，2015年肺炎估计造成世界约92万名5岁以下儿童死亡，占造成5岁以下儿童死亡人数的16％，直至2017年全球仍有80余万5岁以下儿童死于肺炎。目前诊断的方法主要是依靠胸部X光检查来诊断肺炎，肺炎在胸部X光图像中表现为不透明增加的区域。

部分偏远地区的医护人员由于经验不足等情况使得鉴别胸部X光图像是否为患有肺炎的图像成为一个具有挑战的性的工作，同时诊断过程中需要大量的时间和精力，而且还十分容易受到观察人员主观因素的影响导致误诊。

通过使用基于深度学习的儿科肺炎辅助诊断算法能够很好的辅助医务人员对肺炎的判别，从而减轻医生的负担、提高医院检测工作效率。近年来随着深度学习的研究不断深入，可以说深度学习模型是图像分类问题的一个强有力的工具。依靠深度学习来解决如图片分类等实际问题也越来越可靠。因此若能实现一种儿科肺炎辅助诊断模型，一方面可以为医生的诊断提供帮助，另一方面还可以让该模型作为医生学习诊断的工具，无疑会为医生的快速成长提供巨大的助力。

发明内容

本发明要解决的技术问题，在于提供一种儿科肺炎辅助诊断模型及其训练方法，通过对现有儿科肺炎患者的医学图像及对应的医学诊断语句进行训练，让训练所得的模型作为医生学习诊断的工具，帮助医生快速成长。

第一方面，本发明提供了一种儿科肺炎辅助诊断模型的训练方法，包括：

S1、获取儿科肺炎患者的医学图像及对应的医学诊断语句，将获得的医学图像处理为统一规格m×m像素大小的医疗图像集合，m由网络模型大小决定；根据医学诊断语句将医学图像分为有病和没病两类，并混合后形成训练集；

S2、对所述训练集分别提取LBP特征图集合M_LBP、多尺度特征图集合M_m、以及多级别特征图集合Mw；

S3、将所述LBP特征图集合M_LBP、多尺度特征图集合M_m、以及多级别特征图集合M_w分别采用注意力模块进行注意力处理；

S4、将注意力处理后的所述LBP特征图集合M_LBP、多尺度特征图集合M_m、以及多级别特征图集合M_w进行特征融合，获得新的特征图集合M_sum；

S5、将所获得的特征图集合M_sum输入到分类器中进行分类，获得训练好的模型。

第二方面，本发明提供了一种儿科肺炎辅助诊断模型，其经由第一方面的训练方法训练获得。